zoukankan      html  css  js  c++  java
  • RDD五大特性

    1)A list of partitions
    RDD由很多partition构成(block块对应partition),在spark中,计算式,有多少partition就对应有多少个task来执行。
    默认一个块block对应一个split,split的大小和block大小一致。
    2)A function for computing each split
    对RDD做计算,相当于对RDD的每个split或partition做计算
    3)A list of dependencies on other RDDs
    RDD之间有依赖关系,可溯源,容错机制
    4)Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
    如果RDD里面存的数据是key-value形式,则可以传递一个自定义的Partitioner进行重新分区,比如可以按key的hash值分区。
    5)Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
    最优的位置去计算,也就是数据的本地性,移动计算而不是移动数据。
    计算每个split时,在split所在机器的本地上运行task是最好的,避免了数据的移动;split有多个副本,所以preferred location不止一个。数据在哪里,应优先把作业调度到数据所在机器上,减少数据的IO和网络传输,这样才能更好地减少作业运行时间(木桶原理:作业运行时间取决于运行最慢的task所需的时间),提高性能。

  • 相关阅读:
    try,except,finally的用法
    python实现蓝牙通信
    分布式全局ID的几种生成方案
    为什么要两次调用encodeURI来解决乱码问题
    jenkins配置到gitlab拉代码
    查看IOS-app证书到期时间
    使用SSH方式实现Git远程连接GitHub/gitlab
    Git 分支
    jenkins构建后操作archive the artfacts的用法
    MAC 安装jenkins
  • 原文地址:https://www.cnblogs.com/lucas-zhao/p/12096602.html
Copyright © 2011-2022 走看看